面向高层次综合的智能体工厂：通用编码智能体在硬件优化上能走多远？

我们开展了一项实证研究，考察通用编码智能体在未经硬件专用训练的情况下，能将高层次算法描述的硬件设计优化到何种程度。我们提出智能体工厂（agent factory），一个构建并协调多个自主优化智能体的两阶段流水线。在阶段1中，流水线将设计分解为子内核，使用pragma与代码级变换对每个子内核独立优化，并构建整数线性规划（ILP），在面积约束下组装全局有前景的配置。在阶段2中，它以排名靠前的ILP解为起点启动N个专家智能体，各自探索子内核分解无法覆盖的跨函数优化，如pragma重组、循环融合和内存重构。我们使用Claude Code（Opus 4.5/4.6）配合AMD Vitis HLS，在来自HLS-Eval和Rodinia-HLS的12个内核上评估该方法。将智能体数量从1扩展到10，相对基线平均取得8.27倍加速，且在更难的基准上收益更大：streamcluster超过20倍，kmeans约达10倍。在各基准上，智能体无需领域专用训练即可持续重新发现已知的硬件优化模式，而最优设计往往并非源自排名最高的ILP候选，这表明全局优化能暴露被子内核搜索错失的改进。这些结果确立了智能体扩展是HLS优化中一个实用且有效的维度。